[发明专利]一种基于深度学习的地铁隧道病害检测方法

说明书

本发明公开了一种基于深度学习的地铁隧道病害检测方法，主要解决了地铁隧道检量大、现有检测算法效率低、漏检多等问题。具体包括以下步骤：制作待检测地铁隧道影像数据库，包括地铁隧道正常区域图片数据库以及地铁隧道病害区域的数据库；基于改进的Faster R‑CNN目标检测算法对地铁隧道的病害进行目标定位及精准识别分类；采用基于深度学习的方法进行待检测区域有病害状态的检测；最后将待测试图像输入检测模型得到隧道病害检测结果。传统算法的解决思路：图像——预处理——人工特征提取——分类。本发明利用深度学习的思路：图像——特征提取网络——分类、回归来解决当前地铁隧道病害检测存在的问题。

技术领域

本发明涉及图像处理和深度学习领域，具体涉及一种基于深度学习的地铁隧道病害检测方法。

背景技术

城市轨道交通的大力发展与扩张，进一步促进了中国城轨运营维护后市场的兴起，现有隧道安全维护中出现的人工效率低、作业强度大、窗口时间短、维护成本高、实效性差、统筹能力弱、与运营衔接不够等问题，对隧道安全检测手段提出了更高的要求。随着深度学习技术的不断发展壮大，已经在诸多领域得到了突破性进展，比如AlphaGo击败国际围棋冠军，在通话视频中进行的实时“机器翻译”，像人类那样识别图片或者视频中的信息等。针对地铁隧道检测中人工检查较为缓慢、费时、低效的缺点，可以运用机器学习算法进行视觉检测，以解决工人检修效率低的问题，目前运用的视觉检测由传统的机器学习算法SVM，但是其效率和正确率仍有不少有待改进的地方。由于地铁隧道表面存在数量庞大、种类各异的病害，这些病害区域体积细小且分布不均，对于神经网络模型的鲁棒性、识别精度和效率，都提出了更高的要求。对于处理高采样频率和高里程的数据却较为困难，从当前地铁隧道病害检测技术的发展现状来看，地铁智能检测系统装备下一步产业化、全球化，必须依托先进的人工智能、深度学习、最优化理论。

因此，亟需提出一种更准确、高效的地铁隧道病害检测方法。

发明内容

本发明针对现有技术中的不足，对现有的目标检测算法进行改进。在卷积神经网络模型的基础上，提出了建立Faster R-CNN(Regions with CNN feature)的病害检测模型来放大和提取数据的特征。基于深度学习和图像处理的融合模型在多方面得到了改进，可以为地铁隧道病害检测装备提供有力支持。

为实现上述目的，本发明采用以下技术方案：

一种基于深度学习的地铁隧道病害检测方法，包括以下步骤：

S10、制作待检测地铁隧道影像数据库，包括地铁隧道正常区域图片数据库以及地铁隧道病害区域图片的数据库；

S20、将含病害的图片输入Faster R-CNN目标检测网络模型中，对病害进行区域定位及精准识别分类，其中所述FasterR-CNN目标检测网络模型采用CURE算法得到地铁隧道的各类病害的先验框anchor；所述CURE算法包括以下步骤：

S201、读取标签文件，在数据集上随机抽取一个样本S，采样的大小s为

其中，f是采样的频率；|u|是类u的大小，N是整个数据集的大小，δ是从|u|个样本点中采样得到f|u|个样本点的概率(0≤δ≤1)；

S202、将S划分为几个局部数据；

S203、对每个局部数据进行CURE聚类，假如其中类的增长速度很慢，可认为其是离群点，将其剔除；

S204、对S203中各个局部的聚类结果进行进一步聚类，得到规定数目的聚类；

S205、每个类选取n个代表点，其代表点按设定的收缩因子向每个聚类的中心移动；

S206、输出k个聚类及k×n个代表点；

S30、将病害定位区域图像输入深度卷积神经网络中，训练隧道病害状态检测模型；